54-复现实验清单 Template v1.0 | 第5章 数据快照与血缘（Provenance/Splits/Checksums）

目录 ／ 文档-技术白皮书 ／ 54-复现实验清单 Template v1.0

第5章 数据快照与血缘（Provenance/Splits/Checksums）

I. 目标与范围（Purpose & Scope）

• 冻结并核验训练/验证/测试所用数据的来源（Provenance）、结构与切分（Schema/Splits）、校验和（Checksums）与血缘（Lineage），输出机读清单以支持一键复现与等价比对。
• 凡涉及路径量（到达时/相位），正文显式 gamma(ell) 与测度 d ell，数据侧记录 delta_form ∈ {general, factored}；所有表达括号化，发布要求 p_dim = 1.0 并随附 check_dim_report.json。

II. 输入与依赖（Inputs & Dependencies）

• 对齐：《数据集卡》Ch.3/Ch.4/Ch.6/Ch.7/Ch.11、《模型卡》Ch.5/Ch.6/Ch.8、《误差预算卡》Ch.8/Ch.9、《管线卡》Ch.4/Ch.12、《参数注册卡》Ch.6。
• 引用统一“卷名 + 版本 + 锚点（P/S/M/I）”，锚点直指率 ≥ 90%。

III. 数据来源与许可（Sources & Licenses）

• 来源类型：instrument/system/simulator/external；每一来源均记录 source_id/producer/site/operator/license/policy_ref。
• 许可与限制：在 data_refs.yaml 明示再分发条款与用途/地域/人群限制；与模型/接口说明一致。
• 时间锁定与新鲜度：clock_state="locked"，记录与核验 |ts_start − calib.timestamp| ≤ τ_calib。

IV. Schema/单位/量纲与切分（Schema/Units/Dimensions & Splits）

• 字段对齐：schema.json/contract.yaml 与本清单读取字段一致（单位/量纲/可空/取值域）。
• 切分防泄漏：按 split.yaml 固定 train/val/test/holdout/slice_k，严格时间单调与实体隔离；固定 seed。
• 路径一致性：len(gamma_ell)=len(d_ell)=len(n_eff)≥2，步长约束 Δell ≤ ( c_ref / f_s ) / max(n_eff)；相位在参考窗对齐后再计算指标。
• 到达时/相位规范（两式等价）：
  T_arr = ( 1 / c_ref ) * ( ∫ n_eff d ell )；T_arr = ( ∫ ( n_eff / c_ref ) d ell )；
  Phi = ( 2π / λ_ref ) * ( ∫ n_eff d ell )。

V. 校验和与签名（Checksums & Signatures）

• 对所有文件产出 sha256 并汇总于 checksums.txt；发布包含 SIGNATURE.asc；清单 report_manifest.yaml 记录引用与校验路径。
• 对大体量分片或外部对象存储，按文件粒度与分片粒度双写校验并记录计数与总字节数。

VI. 血缘与审计（Lineage & Audit）

• Lineage DAG：raw → calibrated → derived → annotated → split → subset，节点/边标注 version/checksum/transform，禁止环。
• 事件审计：采集/清洗/切分/抽样/增强事件写入 audit.jsonl（时间、操作者、输入哈希、变更说明、签名）。

VII. 预摄入与发布前校验（Pre-Ingest & Pre-Release Validation）

• Schema 校核（G1）：字段/类型/单位/量纲一致；
• 引用合规（G2）：锚点直指率 ≥ 90%；
• 路径规范（G3）：gamma/measure/delta_form 齐备、长度一致、步长合规；
• 量纲闭合（G4）：check_dim_report.json 通过，p_dim = 1.0；
• 新鲜度（G5）：clock_state="locked"、τ_calib 合规；
• 覆盖一致（G6）：coverage.mode ∈ {k, alpha, quantile} 与跨卷一致；
• 协方差一致（G7）：Σ PD 并与误差卷配置一致；
• 唯一性与无环（G8）：record_id/checksum 唯一、Lineage DAG 无环。

VIII. 机读制品（Machine-Readable Artifacts）
A. data_refs.yaml

version: "1.0.0"

datasets:

- id: "ds-core"

source: { type: "instrument", source_id: "SRC-obs-labA-2025Q3", license: "CC-BY-4.0" }

manifest: "DS_EXPORT/manifests/report_manifest.yaml"

schema: "DS_EXPORT/schemas/dataset/schema.json"

splits: "DS_EXPORT/splits/split_manifest.json"

see:

- "Dataset Card v1.0:Ch.3"

- "Dataset Card v1.0:Ch.4"

B. split_manifest.json（节选）

{

"dataset_version": "1.2.0",

"splits": {

"train": { "count": 120345, "checksum": "sha256:..." },

"val": { "count": 25780, "checksum": "sha256:..." },

"test": { "count": 25812, "checksum": "sha256:..." }

},

"slices": { "low_snr": { "count": 8142, "rule": "snr<5" } },

"freshness": {

"valid_from": "2025-09-01T00:00:00Z",

"valid_to": "2026-03-01T00:00:00Z",

"policy": { "tau_calib_s_max": 86400, "clock_state": "locked" }

}

}

C. lineage_graph.json（节选）

{
  "nodes": [
    { "id": "RAW-telemetry", "version": "1.0.0", "checksum": "sha256:..." },
    { "id": "CAL-telemetry", "version": "1.0.1", "checksum": "sha256:..." },
    { "id": "DER-split-train", "version": "1.0.0", "checksum": "sha256:..." }
  ],
  "edges": [
    { "from": "RAW-telemetry", "to": "CAL-telemetry", "type": "calibrate" },
    { "from": "CAL-telemetry", "to": "DER-split-train", "type": "derive" }
  ]
}

D. checksums.txt（片段）

sha256 data_refs.yaml <64-hex>

sha256 split_manifest.json <64-hex>

sha256 lineage_graph.json <64-hex>

sha256 reports/check_dim_report.json <64-hex>

IX. 反例与修正（Anti-Patterns & Fixes）

• 反例：T_arr = ∫ n_eff / c_ref d ell（缺括号） → 修正：T_arr = ( ∫ ( n_eff / c_ref ) d ell )。
• 反例：仅给 gamma(ell)，缺 d ell/delta_form 或数组不同长 → 修正：补齐并保证三者同长。
• 反例：跨 split 复用同一实体导致泄漏 → 修正：group_by(entity) 重切并更新 split_manifest.json。
• 反例：clock_state!="locked" 或 τ_calib 超限仍纳入 → 修正：隔离为 [Restricted] 或再标定。
• 反例：清单无 checksums/signature → 修正：生成并在 report_manifest.yaml 登记。

X. 交叉引用（Cross-References）

• 《数据集卡》：Ch.3（Provenance）、Ch.4（Schema）、Ch.6（Splits/Versioning）、Ch.7（QC Gates）、Ch.11（Bench/Score）。
• 《模型卡》：Ch.5（训练数据与血缘）、Ch.6（训练协议）。
• 《误差预算卡》：Ch.8（UQ & Cov）、Ch.9（阈值映射）。
• 《管线卡》：Ch.12（产出与发布）。

XI. 勾选清单（Checklist）

• data_refs.yaml / split_manifest.json / lineage_graph.json / checksums.txt 完整并入库；report_manifest.yaml 已登记。
• 路径块显式 gamma/measure/delta_form；len(path) ≥ 2、Δell 合规；相位在参考窗对齐。
• I70-dim_check 通过，p_dim = 1.0；clock_state="locked"、τ_calib 合规。
• 覆盖模式在数据/模型/误差/管线四卷统一（k/alpha/quantile）；Σ PD。
• /validate 通过 G1–G8；锚点直指率 ≥ 90%；不合规项按 [Restricted] 标注与处置。